มาตรฐานข้อมูลภาพแพทย์สำหรับ AI: เลือกโครงสร้างข้อมูลและระบบจัดเก็บอย่างไรให้พร้อมใช้งานจริง

การทำ AI วิเคราะห์ภาพทางการแพทย์ให้พร้อมใช้งานจริง ควรเริ่มจากการตรวจสอบมาตรฐานข้อมูล DICOM ข้อมูลกำกับภาพ และขั้นตอนจำกัดข้อมูลระบุตัวบุคคลก่อนเลือกโมเดลหรือซื้อระบบใหม่
หน่วยงานไม่จำเป็นต้องเปลี่ยน PACS ทั้งหมดเสมอไป แต่ต้องประเมินว่าระบบเดิมเชื่อมต่อ ดึงข้อมูล ควบคุมสิทธิ์ และรองรับการเตรียมข้อมูลสำหรับ AI ได้แค่ไหน
การเลือกใช้ on-premise, private cloud หรือ cloud ควรดูร่วมกันทั้งปริมาณภาพ ขอบเขตการเชื่อมต่อ และรูปแบบการดูแลข้อมูล ไม่ใช่เทียบเฉพาะค่าพื้นที่จัดเก็บ
สำหรับโรงพยาบาล ศูนย์รังสีวิทยา หรือทีมพัฒนา การขอใบเสนอราคาที่ระบุงานย้ายข้อมูล การตรวจคุณภาพ และบริการเชื่อมต่อ PACS อย่างชัดเจน ช่วยให้เปรียบเทียบโครงการได้ตรงกว่า
ข้อมูลที่จัดโครงสร้างดีไม่ได้รับประกันความแม่นยำหรือความพร้อมใช้ทางคลินิกของ AI แต่เป็นฐานสำคัญที่ช่วยลดความคลาดเคลื่อนระหว่างการฝึกและทดสอบโมเดล

สรุปแบบรวดเร็ว

• DICOM เป็นจุดเริ่มต้นสำคัญ เพราะเก็บทั้งภาพทางการแพทย์และข้อมูลประกอบภาพที่จำเป็นต่อการจัดการเคส
• ก่อนส่งข้อมูลให้ทีม AI หรือผู้ให้บริการภายนอก ต้องตรวจสอบการลดข้อมูลระบุตัวบุคคล สิทธิ์เข้าถึง และข้อมูลกำกับภาพ
• การเลือกแพลตฟอร์มข้อมูลภาพหรือระบบ PACS ควรเทียบความปลอดภัย การเชื่อมต่อ การขยายระบบ และต้นทุนรวมของโครงการ

แนวทางจัดเก็บ	เหมาะกับสถานการณ์	จุดที่ควรประเมินก่อนเลือก	รายการที่ควรขอในใบเสนอราคา
On-premise	หน่วยงานที่มีระบบภายในและต้องการดูแลโครงสร้างพื้นฐานเอง	การเชื่อมต่อกับ PACS เดิม การดูแลสิทธิ์ผู้ใช้ การขยายพื้นที่จัดเก็บ และภาระทีมไอที	การติดตั้ง การย้ายข้อมูล การเชื่อมระบบ การบำรุงรักษา และการตรวจสอบการใช้งาน
Private cloud	องค์กรที่ต้องการสภาพแวดล้อมแยกเฉพาะ พร้อมความยืดหยุ่นในการบริหารระบบ	ขอบเขตการควบคุมข้อมูล รูปแบบการเข้าถึง การเชื่อมต่อข้อมูล และความรับผิดชอบในการดูแลระบบ	ค่าบริหารสภาพแวดล้อม การเชื่อมต่อ PACS การจัดการสิทธิ์ และบริการสนับสนุน
Cloud	หน่วยงานที่ต้องการขยายการจัดเก็บหรือทำงานร่วมกับหลายทีมตามขอบเขตที่กำหนด	การส่งต่อข้อมูล การกำหนดสิทธิ์ บันทึกการใช้งาน และเงื่อนไขการเชื่อมต่อระบบเดิม	พื้นที่จัดเก็บ การรับส่งข้อมูล การตั้งค่าความปลอดภัย การย้ายข้อมูล และบริการเชื่อมต่อ

เริ่มต้นให้ถูก: AI ภาพแพทย์ต้องมีข้อมูลแบบไหนจึงนำไปใช้ได้

คำตอบสั้น ๆ คือ ต้องเป็นข้อมูลที่ ค้นหาได้ ตรวจสอบที่มาได้ จัดการสิทธิ์ได้ และมีนิยามฉลากที่สอดคล้องกัน ภาพที่เปิดดูได้บนหน้าจออาจยังไม่พร้อมสำหรับการฝึก AI หากข้อมูลกำกับไม่ครบ รูปแบบการถ่ายภาพหลากหลายเกินไป หรือไม่มีเกณฑ์ชัดเจนว่าภาพใดจัดอยู่ในกลุ่มใด

สรุป 3 ข้อสำหรับผู้เริ่มโครงการในโรงพยาบาลหรือศูนย์ตรวจ

ข้อแรก คือระบุแหล่งข้อมูลที่จะใช้ให้ชัด เช่น ภาพจาก CT, MRI, เอกซเรย์ หรืออัลตราซาวนด์ ข้อสอง คือกำหนดวัตถุประสงค์ของชุดข้อมูลว่าจะใช้เพื่อพัฒนา ทดสอบ หรือประเมินระบบในขอบเขตใด ข้อสุดท้าย คือกำหนดผู้รับผิดชอบการตรวจสอบคุณภาพข้อมูลและการอนุมัติการเข้าถึงก่อนเริ่มส่งต่อไฟล์

เหตุใดไฟล์ภาพที่เปิดดูได้จึงอาจยังไม่พร้อมสำหรับการฝึก AI

ไฟล์ภาพทางการแพทย์อาจมีรายละเอียดการถ่ายภาพ ความละเอียด โปรโตคอล หรือข้อมูลผู้รับบริการฝังอยู่ในไฟล์และข้อมูลกำกับ ภาพจากหลายเครื่องหรือหลายช่วงเวลาอาจมีลักษณะไม่สม่ำเสมอ ซึ่งส่งผลต่อการฝึกและทดสอบโมเดลได้ นอกจากนี้ หากฉลากระบุภาวะผิดปกติหรือตำแหน่งไม่ตรงกัน ชุดข้อมูลนั้นอาจสร้างความสับสนให้โมเดลแทนที่จะเพิ่มคุณภาพ

เปรียบเทียบมาตรฐานและสถาปัตยกรรมจัดเก็บข้อมูลสำหรับองค์กร

การเลือกสถาปัตยกรรมไม่ควรเริ่มจากคำถามว่า “ที่ไหนเก็บได้มากกว่า” เพียงอย่างเดียว แต่ควรถามว่า ข้อมูลเดินทางจากระบบเดิมไปยังพื้นที่ทำงาน AI อย่างไร ใครเข้าถึงได้ และตรวจสอบย้อนหลังได้หรือไม่

DICOM, ข้อมูลกำกับภาพ และความสำคัญต่อการค้นหาเคส

DICOM เป็นมาตรฐานที่ใช้จัดเก็บและแลกเปลี่ยนภาพทางการแพทย์พร้อมข้อมูลประกอบภาพ จึงมีความสำคัญต่อการค้นหา จัดกลุ่ม และติดตามเคส การเตรียมข้อมูลจึงควรพิจารณาทั้งตัวภาพและข้อมูลกำกับ ไม่ใช่คัดลอกเฉพาะไฟล์ที่มองเห็นเป็นภาพเท่านั้น

เมื่อวางโครงสร้างข้อมูล ควรกำหนดวิธีระบุแหล่งที่มา ประเภทการตรวจ และสถานะการตรวจทานให้เป็นแนวเดียวกัน วิธีนี้ช่วยให้ทีมรังสีวิทยา ทีมไอที และทีมพัฒนา AI อ้างอิงชุดข้อมูลเดียวกันได้โดยลดความเข้าใจไม่ตรงกัน

เปรียบเทียบ on-premise, private cloud และ cloud ตามปริมาณงานและข้อจำกัด

ระบบ on-premise อาจเหมาะเมื่อหน่วยงานมีโครงสร้างพื้นฐานและกระบวนการดูแลระบบภายในอยู่แล้ว ส่วน private cloud อาจตอบโจทย์หน่วยงานที่ต้องการสภาพแวดล้อมแยกเฉพาะ ขณะที่ cloud อาจเหมาะกับโครงการที่ต้องการความยืดหยุ่นด้านการจัดเก็บหรือการทำงานร่วมกันตามสิทธิ์ที่กำหนด

ไม่มีรูปแบบใดเหมาะกับทุกองค์กร ควรนำข้อจำกัดของ PACS เดิม การเชื่อมต่อเครือข่าย การกำหนดสิทธิ์ผู้ใช้ และขั้นตอนการส่งต่อข้อมูลมาประเมินร่วมกันก่อนตัดสินใจเลือกแพลตฟอร์มจัดการภาพการแพทย์

ค่าใช้จ่ายที่ควรอยู่ในใบเสนอราคา ไม่ใช่ดูเฉพาะค่าพื้นที่จัดเก็บ

ค่าใช้จ่ายจริงของ PACS คลาวด์ เครื่องมือ annotation และบริการติดตั้งขึ้นกับปริมาณภาพ ระบบเดิม การเชื่อมต่อ และขอบเขตสัญญา ดังนั้นควรขอให้แยกรายการงานอย่างชัดเจน ได้แก่ การย้ายข้อมูล การตรวจคุณภาพข้อมูล การเชื่อมต่อระบบ พื้นที่จัดเก็บ การจัดการสิทธิ์ และการบันทึกการใช้งาน

ต้นทุนที่มักถูกมองข้ามคือเวลาของผู้เชี่ยวชาญในการตรวจทานฉลาก งานแก้ไขข้อมูลซ้ำ และงานติดตามภาพหรือข้อมูลกำกับที่ยังมีข้อมูลระบุตัวบุคคลหลงเหลืออยู่

ขั้นตอนเตรียมชุดข้อมูลก่อนส่งให้ทีม AI หรือผู้ให้บริการภายนอก

การส่งข้อมูลอย่างเป็นระบบช่วยให้ทุกฝ่ายเห็นขอบเขตเดียวกัน และลดโอกาสต้องย้อนกลับมาแก้ไขข้อมูลระหว่างโครงการ ขั้นตอนสำคัญไม่ใช่เพียงการส่งออกไฟล์ แต่เป็นการจัดทำกระบวนการตรวจสอบที่ทำซ้ำได้

สำรวจแหล่งข้อมูลจาก PACS, RIS และระบบเวชระเบียนที่เกี่ยวข้อง

เริ่มจากทำรายการว่าแต่ละข้อมูลอยู่ในระบบใด PACS ใช้สำหรับจัดเก็บ เรียกดู และจัดการเวิร์กโฟลว์ภาพทางการแพทย์ ขณะที่ข้อมูลจาก RIS หรือระบบเวชระเบียนที่เกี่ยวข้องอาจจำเป็นต่อขอบเขตงาน การเชื่อมต่อข้อมูลระหว่างระบบควรพิจารณา DICOM และ HL7 FHIR ตามลักษณะโครงการ

ควรกำหนดให้ชัดว่าทีม AI ต้องได้รับข้อมูลส่วนใดบ้าง และส่วนใดไม่จำเป็นต่อวัตถุประสงค์ เพื่อลดการส่งต่อข้อมูลเกินขอบเขตตั้งแต่ต้น

ลบหรือจำกัดข้อมูลระบุตัวบุคคล พร้อมตรวจสอบข้อมูลกำกับ

การนำข้อมูลไปใช้ต้องมีการกำหนดสิทธิ์เข้าถึง บันทึกการใช้งาน และกระบวนการลดข้อมูลระบุตัวบุคคลตามความเสี่ยงของโครงการ การลบชื่อที่มองเห็นได้เพียงจุดเดียวอาจไม่ครอบคลุมข้อมูลที่ฝังอยู่ใน DICOM หรือข้อมูลกำกับอื่น ๆ จึงควรตรวจสอบทั้งไฟล์ ภาพ และช่องข้อมูลที่เกี่ยวข้อง

ควรมีจุดตรวจสองชั้น คือการตรวจด้วยกระบวนการที่กำหนดไว้ และการทวนสอบก่อนส่งต่อจริง โดยเฉพาะเมื่อมีผู้ให้บริการภายนอกหรือมีการย้ายข้อมูลข้ามระบบ

กำหนดรูปแบบฉลาก เกณฑ์การอ่านผล และการตรวจทานโดยผู้เชี่ยวชาญ

ก่อนเริ่ม annotation ควรระบุนิยามของฉลากให้ละเอียดพอ เช่น ภาวะผิดปกติ ตำแหน่ง และเกณฑ์การอ่านผล ผู้ประเมินต้องใช้แนวทางเดียวกัน ไม่เช่นนั้นฉลากที่ดูเหมือนเป็นคำเดียวกันอาจสื่อความหมายต่างกันในแต่ละคน

ควรกำหนดวิธีจัดการกรณีอ่านผลไม่ตรงกันไว้ล่วงหน้า รวมถึงสถานะของเคสที่รอตรวจทานหรือไม่สามารถสรุปได้ การเก็บประวัติการแก้ไขฉลากช่วยให้ทีมย้อนกลับไปตรวจเหตุผลของความแตกต่างได้

จุดเสี่ยงที่ทำให้โครงการล่าช้าหรือผลวิเคราะห์ไม่น่าเชื่อถือ

ความเสี่ยงหลายอย่างไม่ได้เกิดจากโมเดล แต่เกิดในขั้นตอนเตรียมข้อมูล หากพบช้า มักส่งผลทั้งต่อแผนงาน งบประมาณ และความสามารถในการเปรียบเทียบผลของโครงการ

โปรโตคอลการถ่ายภาพไม่สม่ำเสมอและข้อมูลจากหลายเครื่อง

ภาพที่มีโปรโตคอลการถ่ายภาพต่างกัน ความละเอียดต่างกัน หรือมาจากหลายเครื่อง อาจทำให้คุณภาพข้อมูลไม่สม่ำเสมอ ก่อนรวมข้อมูลควรจัดหมวดหมู่ความแตกต่างเหล่านี้และหารือว่าชุดใดอยู่ในขอบเขตเดียวกันสำหรับการพัฒนาและทดสอบ AI

ฉลากข้อมูลไม่ตรงกันระหว่างผู้ประเมิน

หากผู้เชี่ยวชาญใช้เกณฑ์การอ่านผลไม่เหมือนกัน ผลคือฉลากข้อมูลอาจไม่ตรงกัน วิธีลดความเสี่ยงคือมีคู่มือฉลาก มีตัวอย่างขอบเขตของแต่ละคำจำกัดความ และมีกระบวนการตรวจทานสำหรับเคสที่ตีความต่างกัน

สิทธิ์เข้าถึง การส่งต่อไฟล์ และการติดตามการใช้งานที่ไม่ชัดเจน

การส่งไฟล์โดยไม่มีขอบเขตสิทธิ์ที่ชัดเจนหรือไม่มีบันทึกการใช้งาน ทำให้ติดตามความรับผิดชอบได้ยาก ควรกำหนดว่าใครดู ดาวน์โหลด ส่งออก หรือปรับปรุงข้อมูลได้บ้าง รวมถึงทบทวนสิทธิ์เมื่อขอบเขตโครงการเปลี่ยนไป

เลือกแนวทางตามขนาดและเป้าหมายของหน่วยงาน

แนวทางที่เหมาะควรสอดคล้องกับสิ่งที่หน่วยงานมีอยู่แล้ว และไม่สร้างภาระการจัดการที่เกินกำลังของทีม

โรงพยาบาลที่มี PACS อยู่แล้วและต้องการต่อยอด AI

ควรเริ่มจากประเมินความเข้ากันได้ของ PACS เดิมกับกระบวนการส่งออก DICOM การดึงข้อมูลตามเงื่อนไข และการควบคุมสิทธิ์ หากระบบเดิมตอบโจทย์ส่วนนี้ได้ อาจมุ่งลงทุนที่ชั้นการเตรียมข้อมูล เครื่องมือ annotation หรือบริการเชื่อมต่อแทนการเปลี่ยนระบบทั้งหมด

ศูนย์ภาพวินิจฉัยที่ต้องการรวมข้อมูลจากหลายสาขา

จุดสำคัญคือการทำให้รูปแบบข้อมูลและขั้นตอนการส่งต่อจากแต่ละสาขาสม่ำเสมอ ควรตรวจว่าระบบรองรับการค้นหาและจัดกลุ่มข้อมูลตามเงื่อนไขที่ต้องใช้หรือไม่ รวมถึงกำหนดวิธีตรวจสอบข้อมูลซ้ำก่อนรวมเข้าสู่แพลตฟอร์มกลาง

ทีมวิจัยหรือบริษัทเทคโนโลยีที่ต้องใช้ชุดข้อมูลภายใต้ขอบเขตที่กำหนด

ควรได้รับเฉพาะข้อมูลที่จำเป็นต่อวัตถุประสงค์ พร้อมขอบเขตสิทธิ์และวิธีบันทึกการใช้งานที่ชัดเจน การเชื่อมต่อกับข้อมูลสุขภาพอื่นควรพิจารณาตามขอบเขตงาน และตรวจสอบว่าการลดข้อมูลระบุตัวบุคคลเหมาะสมกับชนิดข้อมูลและข้อกำหนดขององค์กรหรือไม่

เกณฑ์เลือกและสรุปเปรียบเทียบก่อนลงทุน

เช็กลิสต์ความเข้ากันได้กับ PACS และระบบงานเดิม

ก่อนเลือกแพลตฟอร์มข้อมูลภาพหรือบริการเชื่อมต่อระบบ ควรตรวจสอบว่าแนวทางที่เสนอรองรับ DICOM สำหรับข้อมูลภาพหรือไม่ รองรับการพิจารณา HL7 FHIR เมื่อโครงการเกี่ยวข้องกับการแลกเปลี่ยนข้อมูลสุขภาพหรือไม่ และสามารถกำหนดสิทธิ์เข้าถึง บันทึกการใช้งาน และตรวจสอบข้อมูลกำกับได้หรือไม่

คำถามสำหรับเปรียบเทียบผู้ให้บริการแพลตฟอร์มข้อมูลและบริการติดตั้ง

ใช้คำถามต่อไปนี้ประกอบการขอใบเสนอราคาโครงการองค์กร

• ขอบเขตงานครอบคลุมการเชื่อมต่อ PACS เดิม การย้ายข้อมูล และการตรวจคุณภาพข้อมูลหรือไม่
• ระบบจัดการข้อมูล DICOM และข้อมูลกำกับภาพอย่างไรเมื่อมีข้อมูลจากหลายเครื่องหรือหลายสาขา
• สามารถกำหนดสิทธิ์ผู้ใช้ บันทึกการใช้งาน และจำกัดการส่งออกข้อมูลได้ในระดับใด
• บริการ annotation รองรับการกำหนดฉลาก การตรวจทาน และการเก็บประวัติการแก้ไขหรือไม่
• ค่าใช้จ่ายส่วนใดเป็นค่าติดตั้ง ค่าเชื่อมต่อ ค่าใช้พื้นที่จัดเก็บ และค่าดูแลต่อเนื่อง
• เมื่อปริมาณภาพหรือจำนวนผู้ใช้เพิ่มขึ้น มีแนวทางขยายระบบและผลกระทบต่อสัญญาอย่างไร

ตัดสินใจจากต้นทุนรวม ความปลอดภัย คุณภาพข้อมูล และความสามารถในการขยายระบบ

ข้อเสนอที่เหมาะสมไม่จำเป็นต้องเป็นข้อเสนอที่มีค่าพื้นที่จัดเก็บต่ำที่สุด แต่ควรทำให้เห็นต้นทุนรวมและความรับผิดชอบในแต่ละขั้นตอนอย่างโปร่งใส ให้เปรียบเทียบความสามารถด้านความปลอดภัย การเชื่อม PACS คุณภาพของกระบวนการเตรียมข้อมูล และการรองรับการขยายระบบในอนาคตพร้อมกัน

เกณฑ์เลือกและเปรียบเทียบข้อเสนอ

ก่อนตัดสินใจ ให้ตรวจอย่างน้อย 5 เรื่อง ได้แก่ ความเข้ากันได้กับ DICOM และระบบเดิม, กระบวนการลดข้อมูลระบุตัวบุคคล, สิทธิ์เข้าถึงและบันทึกการใช้งาน, ค่าใช้จ่ายรวมของการย้ายข้อมูลและการเชื่อมต่อ, และ ความสามารถในการขยายพื้นที่หรือจำนวนผู้ใช้ ควรขอให้ผู้ให้บริการแยกขอบเขตงานและเงื่อนไขบริการเป็นลายลักษณ์อักษร เพื่อเปรียบเทียบแพลตฟอร์มจัดการภาพการแพทย์ ระบบคลาวด์ และบริการติดตั้งได้ตรงกัน

รายละเอียดคุณสมบัติและเงื่อนไขการให้บริการ ควรตรวจสอบจากหน้าข้อมูลอย่างเป็นทางการหรือเอกสารข้อเสนอของผู้ให้บริการแต่ละรายก่อนเลือก

ส่งท้าย

มาตรฐานข้อมูลภาพแพทย์เป็นงานพื้นฐานที่มีผลต่อทั้งการพัฒนา AI และการบริหารระบบภาพขององค์กร DICOM ข้อมูลกำกับ การกำหนดฉลาก และการควบคุมสิทธิ์ควรถูกวางเป็นกระบวนการเดียวกัน ไม่ใช่แก้เฉพาะจุดเมื่อเริ่มโครงการแล้ว การลงทุนที่คุ้มค่าจึงควรมองจากความพร้อมของข้อมูลและต้นทุนรวมตลอดกระบวนการ

ข้อมูลที่ควรรู้เพิ่มเติม

1. PACS มีบทบาทในการจัดเก็บ เรียกดู และจัดการเวิร์กโฟลว์ภาพทางการแพทย์
2. ภาพและข้อมูลกำกับอาจมีข้อมูลระบุตัวบุคคล จึงต้องตรวจสอบก่อนนำไปใช้หรือส่งต่อ
3. ความสม่ำเสมอของโปรโตคอลภาพและฉลากข้อมูลมีผลต่อคุณภาพการฝึกและทดสอบ AI
4. การเชื่อมข้อมูลระหว่างระบบอาจต้องพิจารณา DICOM และ HL7 FHIR ตามขอบเขตงาน

ข้อควรระวังสำคัญ

การมีข้อมูลที่จัดเป็นมาตรฐานไม่ได้หมายความว่า AI จะมีความแม่นยำหรือพร้อมใช้ทางคลินิกโดยอัตโนมัติ ความเพียงพอของการลดข้อมูลระบุตัวบุคคล และค่าใช้จ่ายจริงของ PACS คลาวด์ เครื่องมือ annotation หรือบริการติดตั้ง ต้องประเมินตามชนิดข้อมูล วัตถุประสงค์ ปริมาณภาพ ระบบเดิม และข้อกำหนดของแต่ละองค์กร

คำถามที่พบบ่อย

Q1. โรงพยาบาลต้องเปลี่ยน PACS ใหม่หรือไม่ หากต้องการเริ่มใช้ AI วิเคราะห์ภาพทางการแพทย์?

A1. ไม่จำเป็นเสมอไป ควรประเมินก่อนว่า PACS เดิมรองรับการจัดการและส่งออกข้อมูล DICOM การเชื่อมต่อกับระบบที่เกี่ยวข้อง การกำหนดสิทธิ์ และการตรวจสอบการใช้งานได้เพียงใด หากยังต่อยอดได้ อาจเลือกเพิ่มแพลตฟอร์มข้อมูล เครื่องมือ annotation หรือบริการเชื่อมต่อระบบตามขอบเขตโครงการ

Q2. ค่าใช้จ่ายในการเตรียมข้อมูลภาพแพทย์สำหรับ AI ควรประเมินจากรายการใดบ้าง?

A2. ควรดูมากกว่าค่าพื้นที่จัดเก็บ โดยรวมถึงการย้ายข้อมูล การเชื่อมต่อ PACS หรือระบบเดิม การตรวจคุณภาพข้อมูล การลดข้อมูลระบุตัวบุคคล การทำและตรวจทานฉลาก การจัดการสิทธิ์ผู้ใช้ และบริการดูแลระบบ ทั้งนี้ค่าใช้จ่ายจริงขึ้นกับปริมาณภาพและขอบเขตสัญญา

Q3. การลบชื่อผู้ป่วยออกจากไฟล์ DICOM เพียงอย่างเดียวเพียงพอสำหรับส่งข้อมูลให้ผู้พัฒนาภายนอกหรือไม่?

A3. ไม่ควรสรุปว่าเพียงพอจากการลบชื่อเพียงจุดเดียว เพราะข้อมูลระบุตัวบุคคลอาจอยู่ในข้อมูลกำกับหรือส่วนอื่นของไฟล์และภาพ ควรประเมินตามชนิดข้อมูล วัตถุประสงค์การใช้ ความเสี่ยงของโครงการ และข้อกำหนดขององค์กร พร้อมมีกระบวนการตรวจสอบก่อนส่งต่อ